如何用 Python + Scrapy 爬取视频?
共 7170字,需浏览 15分钟
·
2021-07-04 07:55
Scrapy爬虫
框架,并用一个真实案例来演示代码的编写和爬取过程。一、scrapy简介
1. 什么是Scrapy
Scrapy
是一个为了爬取网站数据,提取结构性数据而编写的应用框架,我们只需要实现少量的代码,就能够快速的抓取
Scrapy使用了Twisted异步网络框架,可以加快我们的下载速度
http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html
异步和非阻塞的区别
异步:调用在发出之后,这个调用就直接返回,不管有无结果
非阻塞:关注的是程序在等待调用结果时的状态,指在不能立刻得到结果之前,该调用不会阻塞当前线程
2. Scrapy工作流程
另一种爬虫方式
Scrapy工作流程
Scrapy engine(引擎) | 总指挥:负责数据和信号的在不同模块间的传递 | scrapy已经实现 |
---|---|---|
Scheduler(调度器) | 一个队列,存放引擎发过来的request请求 | scrapy已经实现 |
Downloader(下载器) | 下载把引擎发过来的requests请求,并返回给引擎 | scrapy已经实现 |
Spider(爬虫) | 处理引擎发来的response,提取数据,提取url,并交给引擎 | 需要手写 |
Item Pipline(管道) | 处理引擎传过来的数据,比如存储 | 需要手写 |
Downloader Middlewares(下载中间件) | 可以自定义的下载扩展,比如设置代理 | 一般不用手写 |
Spider Middlewares(中间件) | 可以自定义requests请求和进行response过滤 | 一般不用手写 |
3. Scrapy入门
#1 创建一个scrapy项目
scrapy startproject mySpider
#2 生成一个爬虫
scrapy genspider demo "demo.cn"
#3 提取数据
完善spider 使用xpath等
#4 保存数据
pipeline中保存数据
在命令中运行爬虫
scrapy crawl qb # qb爬虫的名字
在pycharm中运行爬虫
from scrapy import cmdline
cmdline.execute("scrapy crawl qb".split())
4. pipline使用
从pipeline
的字典形可以看出来,pipeline可以有多个,而且确实pipeline能够定义多个
为什么需要多个pipeline:
1 可能会有多个spider,不同的pipeline处理不同的item的内容
2 一个spider的内容可以要做不同的操作,比如存入不同的数据库中
注意:
1 pipeline的权重越小优先级越高
2 pipeline中process_item方法名不能修改为其他的名称
5. 文件目录结构
文件配置:
setting:
SPIDER_MODULES = ['st.spiders']
NEWSPIDER_MODULE = 'st.spiders'
LOG_LEVEL = 'WARNING' # 这样设置可以在运行的时候不打印日志文件
...
# Obey robots.txt rules
ROBOTSTXT_OBEY = False # 调整为false,
...
# Override the default request headers: # 头部信息,反爬
DEFAULT_REQUEST_HEADERS = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
...
ITEM_PIPELINES = { # 打开管道
'st.pipelines.StPipeline': 300,
}
为了运行文件方便:新建start.py(和settings在同一目录下),
from scrapy import cmdline
cmdline.execute('scrapy crawl stsp'.split()) # 这里爬虫项目名为stsp
目前是这样,后面提取数据的时候修改对应文件 .
二、页面分析
第一页url:https://699pic.com/video-sousuo-0-18-0-0-0-1-4-popular-0-0-0-0-0-0.html
url规律:
url = 'https://699pic.com/video-sousuo-0-18-0-0-0-{}-4-popular-0-0-0-0-0-0.html'.format(i)
通过分析页面知道视频数据在li里面,如图所示.现在问题就简单了。
二、解析数据
def parse(self, response):
# global count
# count += 1
# print(response)
liList = response.xpath('//li') # 获取所有的li,后面提取有用的
print(len(liList)) # 76(然后分析可知,第11个到第70个是我们需要的数据)
newfolderName = 'page{}'.format(count) # 文件夹的名字page1,page2,....
# 步骤二 创建一个新的文件夹 保存每页的视频
if not os.path.exists(newfolderName):
os.mkdir(newfolderName)
for li in liList[10:-6]:
video_link = li.xpath("./a/div/video/@data-original").extract_first()
videoLink = 'https:' + video_link # url拼接
title = li.xpath("./a[2]/h3/text()").extract_first()
# 下载数据:
res = requests.get(videoLink,headers=headers)
data = res.content
try:
with open(newfolderName + '/' + title + '.mp4','wb') as f:
f.write(data)
print('%s下载成功'%title)
except:
break
三、文件配置
items:
import scrapy
class StItem(scrapy.Item):
# define the fields for your item here like:
# 和两个对应前面的数据
videoLink = scrapy.Field()
title = scrapy.Field()
# pass
设置好items文件后需要在爬虫文件(stsp.py)头部添加如下代码:
from st.items import StItem # 这个要设置根目录文件即st
然后调整stsp文件:
item = StItem(videoLink=videoLink,title=title)yield item # 这里必须使用yield,如果使用return最后在管道中只能得到一个文件
piplines:
# 前面的注释代码
from itemadapter import ItemAdapter
import csv
class StPipeline:
def __init__(self):
# 打开文件,指定方式为写,利用第3个参数把csv写数据时产生的空行消除
self.f = open('Sp.csv','w',encoding='utf-8',newline='')
# 设置文件第一行的字段名,注意要跟spider传过来的字典key名称相同
self.file_name = ['title', 'videoLink']
# 指定文件的写入方式为csv字典写入,参数1为指定具体文件,参数2为指定字段名
self.writer = csv.DictWriter(self.f, fieldnames=self.file_name)
# 写入第一行字段名,因为只要写入一次,所以文件放在__init__里面
self.writer.writeheader()
def process_item(self, item, spider):
# 写入spider传过来的具体数值
self.writer.writerow(dict(item)) # 这里的item是上面创建出来的实例对象,需要转换成dict
# 写入完返回
return item
def close_spider(self,spider):
self.f.close()
四、批量爬取
next_url = 'https://699pic.com/video-sousuo-0-18-0-0-0-{}-4-popular-0-0-0-0-0-0.html'.format(count) # 这里的count是初始化的全局变量count,每次执行数据解析,就让他+1
request = scrapy.Request(next_url)
yield request
最后运行程序:
csv
文件:
page2.mp4
文件:
代码下载
Scrapy 爬取视频源码
链接:https://pan.baidu.com/s/1hmNBwdfNWd7gM795x5ivfg 提取码:kxpy
推荐阅读